作为一名全职 AI 研究员，我会说机器学习博士学位肯定是一个有用的选择。

然而，为了取得急需的进展，人工智能需要避免陷入认为当前流行的方法是任何一种“银弹”的陷阱。有一些危险，直接进入（比如说）DL 的某个子子子领域的博士最终会对学生的后续观点施加过多的偏见。

人工智能研究本质上是一项多学科活动。因此，其他可能的背景包括：

• 数学或物理（第一学位或博士水平）。在这两个方面的强大背景从未对任何人造成任何伤害。在这些领域有能力的人往往能够相对容易地将他们的能力转移到新的领域。

• 软件工程。人工智能需要的东西之一是知识工程的集成架构。这就是为什么。我相信我们还没有设法在 5 岁的水平上进行 OCR的原因之一是我们还没有接受我们必须“建立一个大锤来破解坚果”。软件架构师习惯于管理大规模的复杂性，因此他们或许能够提供帮助。

• 认知科学、心理学、认知语言学。这里的原因很明显。

最重要的是，我个人认为，优秀的人工智能研究人员应该具有创造性、好奇并准备好质疑公认的智慧，所有这些在实践中都比他们的背景细节更重要。

这些天，人工智能的研究似乎越来越广泛（2016 年）。首先，“明显”的几个部门（没有顺序）：

• 计算机科学（例如计算理论、算法）：那里的人工智能研究人员假设智能是一种计算，具有各种形式（例如神经网络、逻辑系统）。
• 软件工程：假设我们找到了一个好的人工智能模型，你是怎么做到的？这是工程师想要弄清楚的。并且很难将数学模型映射到工程部件。
• 统计和概率（比数学更具体，它也接近计算机科学）：这是关于数据科学的，特别是作为机器学习的基础，机器学习是人工智能中最活跃的分支——它“只是”涵盖了学习部分.
• 物理学：这现在与硬件特别相关（见下文）。
• 神经科学：了解大脑的工作原理，作为创造人造大脑的灵感，是连接主义者的家。最近，Google Deepmind 的 Hassabis 和他的团队在强化学习、记忆、注意力等方面取得了多项突破。

最近，电气工程以及物理学的相关分支受到了广泛关注。几个公共和私人实验室专注于“脑芯片”。仅举几例：IBM（已经在这方面工作了一段时间）、Nvidia 和 Facebook。大约在 2010 年，很明显，像深度学习这样的技术需要马力，因此越来越关注创造更强大、更小、更节能的芯片。最重要的是，还有量子计算的所有工作。

但问题是，似乎有更多领域正在参与人工智能研究。我们应该提到化学和生物学，它们既是制造新模型或硬件的灵感和工具（例如不使用硅的芯片，所以它们可以变得更小）。

至于 2016 年，上述领域最为活跃，并且有望在相当长的一段时间内保持非常活跃。根据您的兴趣、技能或直觉选择自己的！

最后，当我们回顾人工智能的起源时，我们可能会在几年后感到惊讶。我相信，如果我们设法建立一个 AGI，它无论如何都会利用所有这些领域。我想激动是成为故事的一部分。